二维物体形状识别方法比较

               

二维物体形状识别方法比较

摘  要  针对模式识别中二维物体的形状识别问题，以二值图像中的物体形状为主要研究对象，依次从特征提取、分类器设计两个主要层面对形状识别方法进行了全面综述，并分析了国内外研究现状，特别是近年来所取得的最新研究成果。最后，指出了目前存在的问题以及今后的研究方向。

关键词  物体形状识别；特征提取；分类器设计

中图法分类号  TP391.41

Comparison on methods of 2D object shape recognition

Abstract: In view of two-dimensional object shape recognition question in pattern recognition, the object shape in binary image was taken as the main research object. It summarizes the shape recognition methods based on the contour, the region and the neural network separately, furthermore, analyzes the situation of present research in domestic and foreign simultaneously, especially obtained the newest research results in recent years. Finally, the paper points out the current question existed as well as the direction of future research.

Key words: Object shape recognition; feature extraction; classifier design

物体的形状识别^[1]是模式识别中一个基本问题，也是一个重要问题，其广泛应用于图像分析、计算机视觉和目标识别等领域。人类可以很容易地识别物体的形状，但是对于计算机来说，自动识别任意物体的形状却相当困难。物体的形状是人的视觉系统分析和识别物体的基础。一般来说，我们对物体的识别更注重于它们的形状，而物体的纹理、颜色次之，因此如何表示形状以及比较形状间的差异在机器视觉的应用和研究领域具有非常重要的意义。

物体形状识别一般包括图像中的物体在旋转、缩放、平移、扭曲、遮挡、仿射、射影变换下以及在含噪声图像中通过提取物体的形状识别物体。由于该问题在研究上的复杂性和实现起来的困难性，大多数的研究报道的方法仅针对上述变换的一种或其中几种进行讨论。

目前对物体的形状识别的表示和描述国内外已经提出了多种方法。本文以下的部分组织如下：第1节介绍特征提取；第2节介绍分类器设计；第3节给出了仿真实验结果；最后作出总结。

1  特征提取

在物体识别中，由于图像本身的原始数据量相当大。如果把所有的原始特征都送往分类器，会使得分类器异常复杂同时计算量巨大。因此，需要对物体形状进行分解产生基元并对其符号化，形成特征矢量或符号串、关系图，从而产生代表对象的模式，这个过程被称为特征提取。

1.1 简单几何不变性

利用各种几何不变性对物体进行识别也提出了多种方法：

利用角点特征^[2]，它通常定义为在图像边界上曲率足够高的点。角点特征具有平移、旋转、缩放不变性。它只适用于物体边界角点多且能代表物体形状的特征点的物体。

用等价曲线类^[3]来表示形状，这种形状的表示方法具有平移、旋转、缩放不变的特性。它是利用形状边界点的极半径的变化是否一致来判断它们是否属于同一类型。它具有对边界的扰动不敏感，不受形状大小、位置以及方向的影响。它要根据形状的大小以及实际精度的需要来选定合适尺度，过大会使执行过程中引入冗余的计算，减慢执行速度，而太小会使识别精度太粗，从而导致误识，因此选择合适的尺度是此方法的关键。

隐含多项式曲线^[4]对物体描述有许多良好的性质，基于高次隐含多项式曲线获得的不变量对物体的识别有较好的鲁棒性，能够克服噪音的影响，并且能识别出部分遮挡的目标物体，但是，隐含多项式曲线不变量的寻找较为困难。

另外还有基于曲率函数法^[5]，物体的轮廓由它们的曲线函数表示；利用弧长和切线角^[6]识别物体等等。

利用几何不变性来进行物体识别，对于具有某种特殊特征的物体来说，容易实现，但是对轮廓的描述太抽象，无法实现准确的识别或检索。

1.2 高斯描述子

高斯描述子^[7]是一种基于边界的形状特征，具有识别或匹配率高，相对于平移、旋转、缩放不变、计算量小、对适度的边缘变动和噪声不敏感以及适用范围广等优点。

后来，文献[8]又对高斯描述子进行了推广，提出了局部高斯描述子，将它应用于物体形状识别获得了更高的识别率。但是无论是高斯描述子还是改进了的局部高斯描述子，它们都不具有仿射不变性，有待于进一步的改进。

1.3 傅立叶描述子

傅立叶描述子^[9]具有简单、高效的特点，已经成为识别物体形状的重要方法之一。它的基本思想是：假定物体的形状是一条封闭的曲线,沿边界曲线上的一个动点p(l)的坐标变化x(l)+jy(l) ( p(l)坐标用复数形式表示) 是一个以形状边界周长为周期的函数。 这个周期函数可以展开成傅立叶级数形式表示。傅立叶级数中的一系列系数是直接与边界曲线的形状有关的, 称为傅立叶描述子。当系数项取到足够阶次时，它可以将物体的形状信息完全提取并恢复出来。

傅立叶描述子是物体形状边界曲线的傅立叶变换系数，它是物体边界曲线信号的频域分析结果。根据傅立叶变换的性质，傅立叶描述子与形状尺度、方向和起始点有关。因此为了识别具有旋转、平移和尺度不变性的形状，需对傅立叶描述子进行归一化。总之，傅立叶描述子方法是利用图像轮廓进行识别的，只适用于封闭边界，而且不能反映区域内部特征，面对较复杂的图像，图像中有多个目标的或者轮廓不明显的图像，这种方法识别效果不理想。

1.4 小波描述子

   小波变换^[10-11]具有空间-频率局部性、方向性、多分辨率性等优点，在信号处理、图像处理、模式识别等众多领域得到应用。小波变换属于多分辨率变换，它在不同尺度上对图像分解。应用小波进行轮廓表示时，需要选择小波系数的限制级数来描述轮廓，并且要对小波系数进行归一化，从而达到平移、缩放、旋转不变性的要求。称这些小波系数为小波描述子,它弥补了傅立叶变换的一些缺陷。在物体形状识别上，单一的小波变换是基于边界的，计算量大。